Slik bygger du et selvforbedrende AI-selskap

Kort fortalt

Tom Blomfield i Y Combinator beskriver en ny måte å bygge selskaper på: ikke som en gammel hierarkisk organisasjon der informasjon flyter opp og ned gjennom mennesker, men som et nettverk av AI-sløyfer som kan måle, handle, lære og forbedre seg selv. Han kaller det et selvforbedrende selskap.

Den gamle tanken er: "Hvordan kan AI gjøre ansatte 20 prosent mer produktive?"

Den nye tanken er noe helt annet:

Hvordan kan selskapet bygges slik at det forbedrer seg selv mens menneskene sover?

Hva Tom Blomfield egentlig sier

Hovedpoenget til Blomfield er ikke bare at AI gjør folk raskere. Det er for lite. Det er den gamle måten å tenke på.

Han sier at mange selskaper fortsatt ser på AI som et verktøy man legger oppå eksisterende arbeid. Litt som å sette en kraftigere motor på en gammel hestekjerre. Det går kanskje raskere, men du har fortsatt ikke forstått at verden egentlig har fått jernbane.

Blomfield mener at AI-native selskaper bør bygges annerledes fra starten. Ikke med AI som pynt utenpå organisasjonen, men med AI som en del av organisasjonens nervesystem. Han beskriver dette som en overgang fra en hierarkisk organisasjon til en mer intelligent, AI-drevet organisasjon der selskapets kunnskap er gjort lesbar og brukbar for AI.

En enkel mental modell:

Tradisjonelt selskap:

AI-native selskap:

Det er ikke bare effektivisering. Det er en ny organisasjonsform.

Den gamle bedriften: en romersk legion

Blomfield starter med en historisk analogi: romerske legioner.

Romerriket måtte styre store områder langt unna Roma. For å få det til trengte de hierarkier: én person hadde ansvar for en gruppe, som igjen rapporterte til en person over seg. Informasjon gikk oppover. Ordre gikk nedover.

Blomfield sier at mange moderne selskaper fortsatt fungerer slik. Mennesker blir informasjonsrør. De samler status, oppsummerer, sender videre, følger opp, minner folk på ting og passer på at beslutninger beveger seg gjennom systemet.

Det er lett å kjenne igjen:

Dette fungerte fordi mennesker var det beste verktøyet vi hadde for å forstå, sortere og videreformidle informasjon.

Men AI endrer dette.

Hvis AI kan lese e-poster, supporthenvendelser, Slack-meldinger, kundedata, produktdata, opptak, møtenotater og interne dokumenter, trenger ikke all informasjon å bli presset gjennom mennesker hele tiden.

Da kan selskapet begynne å fungere mer som et levende nervesystem. Ikke fordi mennesker blir uviktige, men fordi mennesker ikke lenger trenger å være rørpost for alt.

Hvorfor "copilot" er feil mental modell

Mange snakker om AI som en copilot. Det høres smart ut, men Blomfield mener det er en begrenset måte å tenke på.

Copilot-modellen sier: "Du gjør jobben. AI hjelper deg litt."

Det kan være nyttig. En utvikler skriver kode raskere. En supportmedarbeider svarer raskere. En markedsfører lager flere utkast. Men dette endrer ikke selve selskapet. Det gjør bare eksisterende prosesser litt raskere.

Blomfield mener dette er feil ramme. Han sier at AI ikke bør forstås som noe man "bolter på siden" av bedriften. I et AI-native selskap må man spørre: hva er egentlig et selskap når intelligens kan brukes direkte i alle arbeidsflyter?

En enkel analogi:

Copilot-AI er som å gi hver ansatt en raskere penn. Et AI-native selskap er som å bygge et kontor der veggene, arkivet, kalenderen, telefonen og prosjektplanen forstår hva som skjer og foreslår neste steg.

Det er et mye større skifte.

Hent ut domenekunnskapen

Det mest verdifulle i et selskap er ofte ikke programvaren. Det er heller ikke logoen, nettsiden eller dashbordene. Det mest verdifulle er domenekunnskapen.

Domenekunnskap betyr alt selskapet vet om hvordan arbeidet faktisk gjøres. Det kan være:

• hvordan dere svarer kunder
• hvordan dere vurderer salgsmuligheter
• hvilke feil som ofte skjer
• hva som pleier å fungere i onboarding
• hvordan prisunntak håndteres
• hvordan support prioriteres
• hvordan en erfaren ansatt tenker
• hvilke beslutninger som tas, og hvorfor

Problemet er at denne kunnskapen ofte ligger spredt. Litt ligger i hodet til folk. Litt ligger i Slack. Litt ligger i e-post. Litt ligger i Notion. Litt ligger i gamle dokumenter. Litt ligger i magefølelsen til en erfaren person som "bare vet" hva som bør gjøres.

Blomfield sier at hvis man kan trekke ut denne kunnskapen og gjøre den lesbar for AI, kan selskapet gå fra vanlig hierarki til en intelligent, AI-drevet organisasjon.

Dette er kjernen:

AI kan ikke forbedre det den ikke ser.

Den selvforbedrende AI-sløyfen

Blomfield beskriver en AI-sløyfe med flere lag. Dette er kanskje den viktigste modellen i hele talken.

En selvforbedrende AI-sløyfe består av:

Blomfield bruker omtrent denne modellen: først et sensorlag, deretter regler og beslutninger, så verktøy AI-en kan bruke, en kvalitetsport, og til slutt en læringsmekanisme som finner ut hva som feilet og sender læringen tilbake i systemet.

Dette er viktig fordi det gjør AI til mer enn en chatbot. En chatbot svarer. En selvforbedrende sløyfe gjør dette:

Det er akkurat som trening. Hvis du trener styrke én gang, blir du ikke dramatisk sterkere. Men hvis du trener, måler, justerer programmet og gjentar dette i måneder, blir kroppen bedre. Det samme gjelder selskapet.

Vendepunktet hos YC

Blomfield forteller om et konkret eksempel fra Y Combinator.

Først hadde de en agent som kunne svare på spørsmål ved å bruke deterministiske verktøy. Deterministisk betyr her: verktøy som gir et kontrollert, forutsigbart resultat. For eksempel "søk i databasen" eller "finn siste møte med dette selskapet".

Et typisk spørsmål kunne være: "Når hadde jeg sist office hours med dette selskapet?"

Så ble agenten smartere. Den kunne finne relevante personer i YC-nettverket, for eksempel hvis en gründer trengte introduksjoner innen petrokjemi.

Men det store skiftet kom da de la en overvåkingsagent over systemet. Denne agenten så på alle spørsmål YC-ansatte stilte. Den sjekket hva som fungerte og hva som ikke fungerte. Når noe feilet, spurte den:

• Hvorfor fungerte ikke dette?
• Mangler vi et verktøy?
• Trenger vi en bedre databasevisning?
• Mangler vi en indeks?
• Må vi oppdatere en skill-fil?
• Bør vi skrive ny kode?

Så kunne systemet lage en endring, åpne en merge request, få en agent til å gjennomgå endringen, flette den inn og rulle den ut. Neste morgen kunne samme type spørsmål fungere bedre.

Det er her poenget lander. Dette er ikke bare AI som gjør en ansatt 20 eller 30 prosent mer effektiv.

Dette er AI som ser en svakhet i systemet og foreslår eller gjør en forbedring. Det er et selskap som lærer av sine egne feil.

Selvoptimaliserende produkt- og supportsløyfer

Blomfield gir flere eksempler på hvor slike sløyfer kan brukes.

Et produktteam kan ha en AI-agent som analyserer produktdata. Agenten ser hvor brukere faller ut av salgstrakten. Den undersøker beste praksis, foreslår en A/B-test, kjører testen, måler resultatet og velger den beste versjonen. Så gjentar den prosessen.

Det samme kan gjøres med support. Kunder sender inn spørsmål og forslag. En agent leser henvendelsene, grupperer dem, finner mønstre og vurderer hva som bør gjøres. Noen forslag forkastes. Andre passer med veikartet. Da kan systemet lage en endring, teste den og sende forbedringen ut til kunden.

Blomfield beskriver akkurat dette som eksempler på selvoptimaliserende produkt- og supportsløyfer.

Dette er kraftig fordi support ikke bare blir "kundeservice". Support blir sensoren til produktutviklingen. Hver kundehenvendelse blir en liten datapakke som kan lære selskapet noe.

Bruk tokens, ikke ansatte

Et av de sterkeste utsagnene i talken er:

"Burn tokens, not headcount."

Eller på norsk: bruk regnekraft, ikke bemanning. Poenget er at selskaper i AI-alderen kanskje ikke først og fremst bør måle hvor mange ansatte de har. De bør heller se på hvor mye intelligent arbeid de klarer å få ut av AI-systemer.

Blomfield sier at YC ser selskaper komme til Demo Day med omtrent fem ganger mer inntekt per ansatt enn for 18 måneder siden. Han mener dette kan fortsette videre til Series A og Series B.

Dette betyr ikke at tokenbruk automatisk er bra. Han advarer også om at rene token-leaderboards kan utnyttes. Hvis folk blir belønnet eller straffet bare basert på hvor mange tokens de bruker, vil noen bruke tokens på dumme måter.

Men retningen er viktig. I gamle selskaper var begrensningen ofte antall hoder. I AI-native selskaper kan begrensningen bli hvor godt selskapet klarer å bruke intelligens.

Gamle selskaper spurte: "Hvor mange folk trenger vi for å gjøre dette?"

Nye selskaper spør: "Hvor mye av dette kan vi gjøre med gode systemer, gode data, gode agenter og gode kontrollpunkter?"

Mellomledelse som informasjonsruter

Blomfield sier også noe provoserende:

"Middle management is done."

Mellomledelsen er ferdig. Det betyr ikke nødvendigvis at alle ledere forsvinner. Men det betyr at en bestemt type mellomledelse blir mye mindre verdifull. Mellomledelse som bare gjør dette:

• samler status
• sender informasjon videre
• booker oppfølgingsmøter
• passer på at folk svarer
• oversetter mellom nivåer
• holder orden på prosess

Denne rollen kan AI i økende grad gjøre bedre, raskere og billigere.

Blomfield peker på to roller han mener blir viktigere:

1. IC (Individual Contributor): folk som faktisk bygger, skriver, selger, designer, analyserer eller opererer.
2. DRI (Directly Responsible Individual): én navngitt person som eier et resultat.

Han sier at man trenger en navngitt person, ikke en komité, for å få ting gjort.

Dette er et viktig poeng. AI kan hjelpe med koordinering, men ansvar må fortsatt ligge hos mennesker. AI kan flytte informasjon, men noen må eie målet.

Gjør hele selskapet lesbart for AI

Hvis et selskap skal forbedre seg selv, må AI kunne se hva som skjer. Blomfield sier dette ganske brutalt:

Hvis noe er registrert, skjedde det for AI-en. Hvis det ikke er registrert, skjedde det ikke for intelligensen.

Han forklarer at YC har begynt å samle partner-e-poster, Slack-meldinger, direktemeldinger og opptak fra office hours i databasen. Målet er ikke bare arkiv. Målet er at AI skal kunne forstå hvordan selskapet fungerer.

Dette er et av de mest praktiske poengene i hele talken. AI trenger spor. Ikke fordi alt skal overvåkes ukritisk, det må selvfølgelig gjøres med personvern, sikkerhet og klare regler. Men hvis selskapet ikke skriver ned, logger, transkriberer eller strukturerer arbeidet sitt, får AI-en ikke nok å lære av.

En enkel modell:

For AI er et selskap uten struktur som et mørkt rom. Den kan ikke hjelpe deg å rydde hvis den ikke ser møblene.

YC-manualen som levende hjerne

Blomfield gir et sterkt eksempel fra YC.

YC hadde en brukermanual som var skrevet for 5 til 10 år siden og delvis var utdatert. Etter at de hadde samlet rundt 2000 timer med opptak fra office hours, kunne de bruke dette materialet til å lage en ny manual.

De tok opptakene, komprimerte dem, kategoriserte dem i temaer som kapitalinnhenting, ansettelser og konflikter mellom medgründere, og ba systemet skrive en ny manual. Resultatet var en 150-siders manual som ifølge Blomfield var dramatisk bedre enn den gamle. Enda viktigere: den kan oppdateres hver måned.

Dette er kanskje det beste bildet på hva en "company brain" er. Ikke en statisk PDF. Ikke en gammel Notion-side. Ikke en mappe med dokumenter ingen leser. Men en levende kunnskapsbase som forbedres når selskapet lærer noe nytt.

Da blir dokumentasjon ikke noe man lager én gang og glemmer. Dokumentasjon blir en del av selskapets læringssystem.

Programvare er midlertidig, kontekst er verdifullt

Et annet viktig poeng fra Blomfield er at intern programvare blir mer midlertidig.

Før var det dyrt å lage interne dashboards, adminpaneler og små verktøy. Derfor måtte man planlegge nøye, bygge langsiktig og vedlikeholde lenge. Men hvis AI kan generere intern programvare raskt, endrer verdien seg.

Da er ikke selve dashbordet nødvendigvis det viktigste. Det viktigste er:

• dataene
• reglene
• arbeidsflyten
• instruksjonene
• domenekunnskapen
• konteksten

Blomfield sier at man bør lagre dataene nøye, men se på programvaren oppå som mer midlertidig. Modeller blir bedre, og da kan man lage verktøyene på nytt basert på den samme konteksten.

Dette er et viktig skifte for alle som bygger interne systemer.

I gamle dager var programvaren huset. I AI-native selskaper er programvaren mer som et stillas: det kan settes opp, brukes, rives ned og bygges bedre neste gang. Det verdifulle er tegningene, materialene og forståelsen av hva huset skal brukes til.

Hvor mennesker fortsatt betyr mest

Dette er ikke en historie om at mennesker forsvinner.

Blomfield sier at mennesker fortsatt trengs der AI møter den virkelige verden. Han nevner nye situasjoner, etiske vurderinger, høyrisiko-øyeblikk og emosjonelt vanskelige situasjoner. For eksempel en gründer som vurderer å bryte med en medgründer. I slike situasjoner vil man fortsatt ha et menneske i rommet.

Det er en god avgrensning. AI kan hjelpe med oppsummering, søk, analyse, forslag, mønstergjenkjenning, kode, dokumentasjon, interne verktøy og oppfølging.

Men mennesker bør fortsatt eie dømmekraft, etikk, ansvar, vanskelige prioriteringer, relasjoner, tillit, høy risiko og emosjonelle situasjoner.

AI kan være motoren. Mennesker må fortsatt være styret, bremsene og kompasset.

Hvordan starte trygt og smart

Dette høres stort ut. Men man trenger ikke starte med et fullstendig selvforbedrende selskap. Start med én sløyfe.

Velg ett område der dere allerede har mye gjentakelse:

En trygg startregel:

La AI lese først. La AI foreslå deretter. La AI handle til slutt.

Ikke gi AI full frihet første dag. Bygg heller slik:

1. AI observerer.
2. AI oppsummerer.
3. AI foreslår forbedring.
4. Mennesket godkjenner.
5. AI gjør endringen.
6. Systemet logger hva som skjedde.
7. Neste runde blir bedre.

Det er som å lære opp en ny ansatt. Først får personen se hvordan ting gjøres. Så får personen foreslå. Deretter får personen gjøre små oppgaver. Først senere får personen mer ansvar.

Forbehold: dårlige feedback-signaler gir dårlige sløyfer

Selvforbedrende AI-sløyfer høres nesten magisk ut. Men de kan feile.

En god kommentar under Y Combinators LinkedIn-innlegg oppsummerer risikoen treffende:

"Sleep only helps if the loop knows what a good outcome means."

Søvn hjelper bare hvis sløyfen vet hva et godt resultat betyr. Dette er ekstremt viktig.

En AI-sløyfe må vite hva "bedre" betyr. Hvis målet er uklart, kan systemet forbedre feil ting:

• Hvis support bare måles på svartid, kan svarene bli raske, men dårlige.
• Hvis salg bare måles på antall leads, kan kvaliteten falle.
• Hvis kode bare måles på antall endringer, kan systemet lage mer rot.
• Hvis markedsføring bare måles på klikk, kan innholdet bli klikkagn.

Derfor trenger AI-native selskaper gode kvalitetsporter. Ikke bare "gjør mer", men: gjør riktig ting, på riktig måte, med riktig dokumentasjon, innenfor riktige grenser.

Forklart for en 14-åring

Se for deg at du har et fotballag.

Den gamle måten er at treneren må se alt, huske alt, snakke med alle, skrive ned alt og fortelle hver spiller hva de skal forbedre. Det fungerer, men det går tregt.

Den nye AI-native måten er at laget har et smart system rundt seg. Systemet ser treningene. Det ser kampene. Det ser hvor laget mister ballen. Det ser hvem som ofte blir feilplassert. Det ser hvilke øvelser som hjelper. Det foreslår en ny treningsplan. Treneren godkjenner. Laget trener. Systemet måler igjen.

Da blir laget bedre fordi det lærer av alt som skjer.

Et selvforbedrende selskap er omtrent det samme. Det er et selskap som ikke bare jobber. Det lærer av arbeidet sitt.

Hva talken egentlig peker mot

Tom Blomfields talk peker mot en større idé: fremtidens selskaper blir ikke bare selskaper som bruker AI.

De beste selskapene kan bli systemer som gjør sin egen kunnskap lesbar, bruker AI til å forbedre arbeidsflytene, og lar mennesker fokusere på dømmekraft, relasjoner og høyverdi-beslutninger.

Dette er forskjellen.

Vanlig AI-bruk: jeg bruker ChatGPT til å skrive en e-post.

AI-native selskap: alle kundehenvendelser, beslutninger, data og prosesser blir del av et system som forbedrer hvordan selskapet jobber.

Det første er nyttig. Det andre er strukturelt. Det endrer hvordan selskapet er bygget.

Oppsummert

Tom Blomfields viktigste idé er at AI ikke bare bør brukes som en copilot for enkeltpersoner. AI kan brukes til å bygge selskaper som lærer av sine egne handlinger.

Et selvforbedrende AI-selskap trenger fem ting:

1. Sensorer som fanger opp hva som skjer.
2. Regler for hva AI får gjøre.
3. Verktøy AI kan bruke trygt.
4. Kvalitetsporter som tester og begrenser risiko.
5. En læringsmekanisme som forbedrer systemet over tid.

Det store skiftet er at selskapets kunnskap må bli lesbar for AI. Møter, beslutninger, support, salg, produktdata, kodeendringer og interne prosesser må ikke bare skje. De må etterlate spor som AI kan lære av.

Men mennesker forsvinner ikke. Mennesker blir viktigere der dømmekraft, ansvar, etikk, tillit og vanskelige beslutninger betyr mest.

Den enkleste måten å starte på er ikke å bygge "hele AI-selskapet" med én gang. Start med én sløyfe. Finn én gjentakende arbeidsflyt. Gjør den synlig. La AI analysere den. La AI foreslå forbedringer. Sett tydelige grenser. Mål resultatet. Gjenta.

Det er slik et selskap begynner å lære.

Ordliste

Kilder og ressurser